multi-ocr-sdk：支持多种 OCR 引擎的 Python SDK

multi-ocr-sdk 是一个开源的 Python SDK，它支持多种 OCR（光学字符识别）引擎，包括 deepseek-OCR 和视觉模型 VLM。这个 SDK 的主要功能是将文档（如 PDF 和图片）高效且高精度地转换为 Markdown 格式的文本。

安装

可以通过 pip 或 uv 来安装这个 SDK。

# 通过pip安装
pip install multi-ocr-sdk
# 或者通过uv安装
uv add multi-ocr-sdk

VLM的基础用法

import os
from multi_ocr_sdk import VLMClient

API_KEY = "your_api_key_here"
BASE_URL = "http://your_url/v1/chat/completions"
file_path = "./examples/example_files/DeepSeek_OCR_paper_mini.pdf"

client = VLMClient(api_key=API_KEY, base_url=BASE_URL)

result = client.parse(
    file_path=file_path,
    prompt="你是一个ocr机器人，识别输入的文件内容，输出为markdown格式，尽可能保留图表等格式信息，你不需要评论概括文件内容，只需要输出就行",
    model="Qwen3-VL-8B",
    # timeout=100, # 可选参数，默认60s，如果文件很大，VLM需要处理很久，timeout需要设置长一些
    # dpi=60  # 可选参数，默认72，DPI越低，图片越糊，消耗的输入token越少，识别效果越差，自行调整至合适比例
    # pages=[1,2] # 可选参数，如果是处理单张图片或者单页pdf不需要这个参数，如果是处理多页pdf默认处理所有页，可以通过这个参数处理指定页
)

print(result)

deepseek-ocr的基础用法

from multi_ocr_sdk import DeepSeekOCR

client = DeepSeekOCR(
    api_key="your_api_key",
    base_url="https://api.siliconflow.cn/v1/chat/completions"  # 或您的提供商端点
)

# 简单文档
text = client.parse("invoice.pdf", mode="free_ocr")

# 复杂表格
text = client.parse("statement.pdf", mode="grounding")

# 自定义 DPI
text = client.parse("document.pdf", dpi=300)

背景故事

multi-ocr-sdk 的开发背景源于对 deepseek-OCR 模型的尝试和改进。开发者发现 deepseek-OCR 模型效果很好，但现有的 SDK 调用不便，于是进行了改进。此外，由于硅基流动免费的 ds-ocr 容易触发限制，开发者希望支持更多的 OCR 模型，如 qwen-ocr。经过重构，SDK 现在支持了 VLM，并测试了 qwen3-vl-8b 模型，效果显著。未来计划支持更多 OCR 引擎，并欢迎问题和提出改进建议。